带标注的中国车牌识别数据集，可识别车牌中的地区和车牌号码数据集，识别率81.34%，970张图，支持yolo，coco json，voc xml,文末有模型训练代码

​带标注的中国车牌识别数据集可识别车牌中的地区和车牌号码数据集识别率81.34%970张图支持yolococo jsonvoc xml,文末有模型训练代码注意数据集中有部分模糊图本质是给模型做「数据增强、抗干扰、泛化能力训练」不是垃圾数据反而能大幅提升实战效果。应用场景1. 识别车辆车牌号2. 识别车牌有无遮挡识别不到字符OCR或者缺少车牌字母数置信度过低都可以作为依据3. 识别车牌所属地区模型训练指标参数模型训练图数据集拆分总图数970 张图数训练集848 张图验证集81 张图测试集41 张图预处理自动定向应用调整大小拉伸到640x640增强无数据集标签[‘0’, ‘1’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’, ‘9’, ‘GAN2’, ‘SHAN’, ‘QIONG’, ‘HEI’, ‘V’, ‘WAN’, ‘QING’, ‘CUAN’, ‘MENG’, ‘LIAO’, ‘YUN’, ‘MIN’, ‘XING’, ‘JIN2’, ‘HU’, ‘GAN’, ‘YU2’, ‘E1’, ‘JI’, ‘JING’, ‘XIANG’, ‘SU’, ‘LU’, ‘GUI2’, ‘JIN’, ‘YI’, ‘W’, ‘YU’, ‘ZHE’, ‘GUI’, ‘T’, ‘R’, ‘J’, ‘H’, ‘YUE’, ‘Y’, ‘N’, ‘P’, ‘Q’, ‘K’, ‘Z’, ‘F’, ‘U’, ‘C’, ‘G’, ‘L’, ‘S’, ‘B’, ‘E’, ‘X’, ‘TONG’, ‘A’, ‘M’, ‘D’]标签解释 数字0-9代表车牌里的0-9A-Z代表车牌里的字母A-ZGAN2 代表 甘GAN 代表 赣SHAN 代表 陕QIONG 代表 琼HEI 代表黑WAN 代表 皖QING 代表 青CUAN 代表 川MENG 代表 蒙LIAO 代表辽YUN 代表。云MIN 代表闽XING 代表 新JIN 晋JIN2 津HU 代表 沪YU2 代表 渝E1。鄂JI。吉YI 翼YU 豫JING 京XIANG 湘SU。苏LU 鲁YUE 粤TONG 潼ZHE。浙GUI 桂GUI2 贵数据集图片和标注信息示例在这里插入图片描述数据集下载yolo26:https://download.csdn.net/download/pbymw8iwm/92868573yolo v12: https://download.csdn.net/download/pbymw8iwm/92868581yolo v11:https://download.csdn.net/download/pbymw8iwm/92868579yolo v9:https://download.csdn.net/download/pbymw8iwm/92868576yolo v8:https://download.csdn.net/download/pbymw8iwm/92868574yolo v7:https://download.csdn.net/download/pbymw8iwm/92868575coco json:https://download.csdn.net/download/pbymw8iwm/92868577pascal voc xml: https://download.csdn.net/download/pbymw8iwm/92868580YOLO模型训练下载数据集之后解压到当前文件夹然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下假设你使用的是yolov8来训练你就用 python train_yolov8.py​​模型下载https://download.csdn.net/download/pbymw8iwm/92868531模型验证测试情况验证测试代码#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# 1. 加载YOLO模型 # 自动下载预训练模型(yolov8n最轻量快速)也可换 yolov8s/m/l/xmodelYOLO(best.pt)# 2. 推理配置 image_path326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg# 你的图片路径save_resultTrue# 是否保存标注后的图片# 3. 执行推理 resultsmodel.predict(sourceimage_path,conf0.01,# 置信度阈值低于该值忽略saveFalse,# 关闭默认保存自定义保存verboseFalse# 关闭冗余日志)# 4. 解析结果目标区域 标注信息 print(*50)print(YOLO 推理结果目标区域 标注信息)print(*50)# 获取图片用于绘制框imgcv2.imread(image_path)# 遍历所有检测目标foridx,resultinenumerate(results):boxesresult.boxes# 所有检测框forboxinboxes:# 提取目标区域坐标 # xyxy: 左上角x, 左上角y, 右下角x, 右下角yx1,y1,x2,y2box.xyxy[0].cpu().numpy()# 宽高wx2-x1 hy2-y1# 提取标注信息 cls_idint(box.cls[0])# 类别IDcls_namemodel.names[cls_id]# 类别名称conffloat(box.conf[0])# 置信度# 打印信息 print(f目标{idx1}:)print(f 标注类别{cls_name})print(f 置信度{conf:.2f})print(f 目标区域坐标)print(f 左上角 ({x1:.1f},{y1:.1f}))print(f 右下角 ({x2:.1f},{y2:.1f}))print(f 宽×高{w:.1f}×{h:.1f})print(-*30)# 在图片上绘制检测框 cv2.rectangle(img,(int(x1),int(y1)),(int(x2),int(y2)),(0,255,0),2)cv2.putText(img,f{cls_name}{conf:.2f},(int(x1),int(y1)-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# 5. 保存/显示结果 ifsave_result:cv2.imwrite(yolo_result.jpg,img)print(✅ 标注图片已保存为yolo_result.jpg)# 显示图片可选cv2.imshow(YOLO Result,img)#cv2.waitKey(0)#cv2.destroyAllWindows()推理结果YOLO 推理结果目标区域 标注信息目标1: 标注类别3 置信度0.96 目标区域坐标 左上角(300.3,37.6)右下角(352.9,170.0)宽×高52.6 ×132.4------------------------------ 目标1: 标注类别YU 置信度0.94 目标区域坐标 左上角(8.3,32.4)右下角(66.8,173.1)宽×高58.5 ×140.6------------------------------ 目标1: 标注类别5 置信度0.92 目标区域坐标 左上角(420.1,37.3)右下角(471.3,164.5)宽×高51.2 ×127.2------------------------------ 目标1: 标注类别4 置信度0.92 目标区域坐标 左上角(362.0,37.9)右下角(410.3,165.6)宽×高48.3 ×127.7------------------------------ 目标1: 标注类别A 置信度0.91 目标区域坐标 左上角(78.7,35.8)右下角(131.1,174.7)宽×高52.4 ×138.9------------------------------ 目标1: 标注类别2 置信度0.83 目标区域坐标 左上角(237.5,38.3)右下角(290.8,171.8)宽×高53.2 ×133.6------------------------------ 目标1: 标注类别1 置信度0.64 目标区域坐标 左上角(191.8,37.7)右下角(206.8,172.8)宽×高15.0 ×135.1------------------------------ 目标1: 标注类别K 置信度0.01 目标区域坐标 左上角(190.9,38.8)右下角(206.3,173.6)宽×高15.4 ×134.8------------------------------ ✅ 标注图片已保存为yolo_result.jpg